DATA MINING DENGAN ALGORITMA APRIORI PADA RDBMS ORACLE

Ukuran: px
Mulai penontonan dengan halaman:

Download "DATA MINING DENGAN ALGORITMA APRIORI PADA RDBMS ORACLE"

Transkripsi

1 1 DATA MINING DENGAN ALGORITMA APRIORI PADA RDBMS ORACLE Dana Sulistiyo Kusumo 1, Moch. Arief Bijaksana 2, Dhinta Darmantoro Jurusan Teknik Informatika Sekolah Tinggi Teknologi Telkom 1 dana@stttelkom.ac.id, 2 arifb@telkom.co.id, dhinta@stttelkom.ac.id Abstrak Data mining merupakan proses analisis data menggunakan perangkat lunak untuk menemukan pola dan aturan (rules) dalam himpunan data. Data mining dapat menganalisis data yang besar untuk menemukan pengetahuan guna mendukung pengambilan keputusan. Dalam penelitian ini akan dibahas Association Rule sebagai salah satu fungsi data mining yang diimplementasikan menggunakan Algoritma Apriori. Akan dianalisis pula dua teknik penghitungan support di candidate generation pada Algoritma Apriori, yakni : dan 2 Group-By pada tiga sampel dataset dengan atribut transaksi id dan item. Pada penelitian ini terlihat bahwa permasalahan penghitungan support di candidate generation merupakan bottleneck dari Algoritma Apriori dimana perbaikan Algoritma Apriori ditekankan pada candidate generation dan efektivitas dari Algoritma Apriori. Penelitian ini dilakukan pada RDBMS Oracle dengan memanfaatkan tools TKPROF untuk mengukur performansi query berdasarkan operasi I/O pada penghitungan support di candidate generation. Hasil penelitian membuktikan bahwa metode support counting lebih baik daripada Two Group-by. Kata Kunci : Data Mining, Association Rule, Algoritma Apriori, candidate generation,, 2 Group-By Abstract Data Mining is a data process analysis using software for finding pattern and rule in dataset. Data Mining could analyze large dataset to obtain knowledge as a pattern having meaning for making decision in management level for business organization. This paper discusses Association Rule as one function of data mining implemented using Apriori Algorithm. Two counting techniques of support in candidate generation in Apriori algorithm, i.e. and 2 group-by on three dataset samples with transaction attribute id and item, would also be discussed. This research reveals that the problem of support counting in candidate generation is a bottleneck of Apriori algorithm, where Apriori Algorithm fitting is emphasised on candidate generation and effectiveness of Apriori Algorithm. This research was done on RDBMSS Oracle utilizing TKPROF tools to measure query performance based on I/O operation on support counting in candidate generation. The result shows that support counting method is better than Two Group-by method. Keywords : Data Mining, Association Rule, Apriori algorithm, support, candidate generation,, 2 Group-By and RDBMS. 1. Pendahuluan Data mining merupakan suatu proses pendukung pengambil keputusan dimana kita mencari pola informasi dalam data. Pencarian ini dapat dilakukan oleh pengguna, misalnya dengan menggunakan query (dalam kasus ini sangat sulit dilakukan) atau dapat dibantu dengan suatu aplikasi yang secara otomatis mencari pola informasi pada basis data. Pencarian ini disebut discovery. Discovery adalah proses pencarian dalam basis data untuk menemukan pola yang tersembunyi tanpa ide yang didapatkan sebelumnya atau hipotesa tentang pola yang ada. Dengan kata lain aplikasi mengambil inisiatif untuk menemukan pola dalam data tanpa pengguna berpikir mengenai pertanyaan yang relevan terlebih dulu. Salah satu bentuk pola yang dapat dihasilkan data mining adalah association rule. Association Rule dapat digunakan untuk menemukan: hubungan atau sebab akibat. Association rule memiliki bentuk LHS RHS dengan interpretasi bahwa jika setiap item dalam LHS (Left Hand Side) dibeli, maka item dalam RHS (Right Hand Side) juga dibeli. Association rule dapat dihasilkan dengan Algoritma Apriori. Salah satu penggunaan Association rule adalah mendukung pengambilan keputusan dalam bidang pemasaran, misalnya untuk mengetahui pola pembelian pelanggan, penentuan tata letak barang dan lain-lain. Salah satu obyek untuk data mining adalah RDBMS. Umumnya data mining dilakukan pada penyimpanan data berukuran besar. Dalam penelitian ini akan dilakukan pengujian terhadap proses penghitungan support dalam implementasi data mining pada RDBMS. Analisis terhadap teknik penghitungan support perlu dilakukan karena faktor : 1. Banyaknya kandidat frequent-itemset yang dihasilkan sebagai input terhadap penghitungan support, 2. Scan/pembacaan record pada RDBMS.

2 2 Kedua faktor diatas dapat mempengaruhi jalannya pemrosesan query pada RDBMS. Penelitian ini dilakukan dengan tujuan untuk menerapkan Algoritma Apriori dengan teknik support counting dan 2 Group-By, mencari Association Rule pada RDBMS Oracle, dan mengimplemantasikannya dalam bentuk perangkat lunak. Analisis Algoritma Apriori didasarkan pada hasil pengukuran performansi proses query pada teknik support counting dan 2 Group-By menggunakan tools TKPROF pada RDBMS Oracle. Batasan masalah untuk penelitian ini adalah sebagai berikut : 1. Data yang digunakan merupakan tabel relasional 2. Hanya digunakan tiga dataset sebagai bahan pengukuran untuk analisis pemrosesan query 2. Data Mining 2.1 Definisi Data Mining Pengertian Data Mining atau Knowledge Discovery in Database menurut William J. Frawley, Gregory Piatetsky-Shapiro dan Christopher J. Matheus [1]: Data Mining atau Knowledge Discovery in Database( KDD ) adalah penyaringan data secara implisit dimana sebelumnya tidak diketahui terdapatnya informasi yang potensial. 2.2 Fungsi dan Tugas Data Mining Data mining menganalisis data menggunakan tool untuk menemukan pola dan aturan dalam himpunan data. Perangkat lunak bertugas untuk menemukan pola dengan mengidentifikasi aturan dan fitur pada data. Tool Data mining diharapkan mampu mengenal pola ini dalam data dengan input minimal dari user. Dalam penelitian ini pembahasan Data Mining diklasifikasikan dalam fungsi Association. 2. Association Rule Tipe pola yang penting yang dapat ditemukan dari basis data adalah sebuah aturan. Association rule mempunyai bentuk LHS RHS dengan interpretasi jika setiap item dalam LHS dibeli maka sepertinya item dalam RHS juga dibeli. Dua pengukuran penting untuk sebuah rule adalah support dan confidence. Kita dapat menghitung semua association rule dengan ambang support dan confidence masukkan pengguna dengan postprocessing frequent-itemset. Secara umum Association Rule mempunyai bentuk : LHS RHS, dimana LHS dan RHS adalah himpunan item; jika setiap item-item dalam LHS terdapat dalam transaksi maka item-item di RHS juga terdapat dalam transaksi. Ada dua aturan pengukuran untuk association rule : 1. Support Support untuk himpunan item adalah prosentase transaksi yang berisi semua item-item ini. Support untuk aturan LHS RHS di-support untuk himpunan item-item LHS RHS. 2. Confidence Pertimbangkan transaksi yang berisi semua item dalam LHS. Confidence untuk rule : LHS RHS adalah prosentasi transaksi yang juga terdiri semua item-item dalam RHS. Lebih tepatnya, misalkan sup (LHS) adalah prosentase transaksi yang berisi LHS dan sup (LHS RHS) adalah prosentase transaksi yang berisi LHS dan RHS, maka confidence rule: LHS RHS adalah sup( LHS RHS )/sup (LHS ). Permasalahan Association Rule dapat dikomposisikan menjadi dua sub masalah, yaitu: 1. Penemuan semua kombinasi item-item, yang disebut frequent-itemset, yang support-nya lebih besar daripada minimum support. 2. Gunakan frequent-itemset untuk membangkitkan aturan yang diinginkan. Idenya adalah, katakan, ABCD dan AB sering muncul dalam transaksi, maka aturan AB CD akan dipenuhi jika perbandingan antara support(abcd) terhadap support(ab) minimum sebesar minimum confidence. Semua rule akan mempunyai minimum support karena ABCD sering muncul dalam transaksi. 2.4 Algoritma Apriori Langkah yang membutuhkan pemrosesan lebih adalah penemuan frequent-itemset. Algoritma untuk menemukan frequent-itemset berdasar pada sifat frequent-itemset: Sifat Apriori : Setiap subset frequent-itemset harus menjadi frequent-itemset [12]. Algoritma Apriori untuk menemukan frequentitemset merupakan iterasi pada data. Pada iterasi kek ditemukan semua himpunan item-item yang mempunyai k item yang disebut k-itemset. Setiap iterasi terdiri dari dua tahap.. Pertama, adalah tahap pembangkitan kandidat (candidate generation) dimana himpunan semua frequent(k 1)-itemset F k-1 yang ditemukan pada pass ke-(k 1) digunakan untuk membangkitkan kandidat itemset C k. Prosedur pembangkitan kandidat menjamin bahwa C k adalah superset dari himpunan semua frequent k-itemset. Kemudian data di-scan dalam tahap Penghitungan Support (Support Counting). Pada akhir pass C k diperiksa untuk menentukan kandidat mana yang sering muncul, menghasilkan F k. Penghitungan support berakhir ketika F k atau C k+1 kosong. Untuk membangkitkan rule akan dibangkitkan lebih dahulu candidate rule. Candidate rule berisi semua kemungkinan rule yang memiliki support > minimum support karena input candidate rule adalah frequent-itemset. Kemudian candidate rule akan di- Jurnal Penelitian dan Pengembangan TELEKOMUNIKASI, Juni 2, Vol. 8 No. 1

3 join dengan tabel F untuk menemukan support antecedent. Confidence rule dihitung dengan cara membandingkan support rule dengan support antecedent rule. Hanya rule yang mempunyai confidence > minimum confidence yang disimpan dalam tabel rule (tabel R).. Pengukuran data penelitian Untuk menganalisis teknik penghitungan support dan 2 Group-By pada Algoritma Apriori digunakan sampel dataset dengan atribut transaction identifier (id) dan item identifier (item), dimana untuk setiap id terdapat beberapa item. Deskripsi data yang digunakan dalam penelitian ini diperlihatkan pada Tabel 1 di bawah ini. menjadi masukan outer query. Pada Two Group-by agregasi dilakukan dua kali ,891% 2% 48,1 % Gambar 1. I/O pada dataset A Tabel 1. Data Penelitian I II III IV V VI A ,78 B ,74 C ,1 Keterangan judul kolom : I : Dataset IV : Transaksi II : Record V : Item III : Group VI : Max. Itemset VII : Rata-rata item per transaksi % 2% 6,81% Untuk menganalisis kedua teknik penghitungan support di atas digunakan tools TKPROF untuk mengetahui besarnya operasi I/O () pada eksekusi Algoritma Apriori. Pengukuran terhadap operasi I/O () dijadikan suatu parameter karena operasi I/O () mendominasi waktu total eksekusi query pada RDBMS. Pada Gambar 1, 2, dan ditampilkan hasil pengukuran operasi I/O () pada tiga sampel dataset. Performansi kedua metode support counting dipengaruhi oleh besarnya minimum support dan data yang digunakan. Jika minimum support kecil maka semakin banyak kebutuhan I/O dibandingkan dengan jika minimum support besar. Hal ini disebabkan karena jumlah record yang diproses lebih banyak. Data yang di-mining juga memberi pengaruh terhadap jumlah record yang diproses. Besarnya data yang di-mining berbanding lurus terhadap jumlah record yang diproses. Sehingga berdasar hasil pengukuran, secara umum lebih baik daripada Two Group-by, karena lebih sedikit dalam melakukan operasi I/O dibandingkan dengan Two Group-by. 4. Analisis Algoritma Apriori Berdasarkan teori pemrosesan query, Two Group-by berbentuk nested query dengan inner query dan outer query-nya berbentuk group by. Pada pemrosesan query Two Group-by, Inner group-by melakukan sorting menggunakan banyak relasi antara. Hasil query dari inner query kemudian Gambar 2. I/O pada dataset B % 2% 6,42% Gambar. I/O pada Dataset C Pemrosesan query pada lebih sedikit menggunakan relasi antara yang berupa sorting dibandingkan Two Group-by. Pada agregasi hanya dilakukan sekali. Berdasar pemrosesan query diatas, lebih sedikit dalam melakukan sorting dan operasi agregasi dalam mengeksekusi query dibandingkan Two Group-by. Algoritma Apriori untuk menemukan frequentitemset merupakan iterasi pada data. Algoritma Apriori dimulai dengan pembangkitan kandidat itemset. Pembangkitan itemset menjamin C k adalah superset dari himpunan semua frequent k-itemset.

4 4 Kemudian data di-scan dalam tahap Penghitungan Support (Support Counting). insert into F k select item 1,, item k, count(*) from ( select item 1,, item k, count(*) From Xact, C k where item = C k.item 1 or.. item = C k.item k group by item 1,, item k, tid having count(*) = k ) group by item 1,, item k having count(*) > : Gambar 4. Penghitungan support insert into F k select item 1,, item k, count(*) from C k, Xact t 1,, Xact t k where t 1.item = C k.item 1 and t k.item = C k.item k and t 1.id = t 2.id and t k-1.id = t k.id group by item 1,, item k having count(*) > : Gambar. Penghitungan support Penghitungan support menggunakan data dengan skala menengah ke atas dengan nilai minimum support yang kecil dapat ditangani menggunakan pada bagian support counting. Penggunaan Two Group-by pada proses support counting pada data berskala menengah ke atas tidak dianjurkan karena untuk minimum support dengan nilai yang kecil akan menyebabkan pemrosesan query dengan banyak sorting (misalnya : pada dataset B dengan minimum support =,1, masih dapat berjalan dengan baik tetapi pada 2 Group-by, algoritma Apriori berhenti tidak normal). Dengan banyaknya sorting menyebabkan temporary segments yang digunakan sebagai area kerja operasi sorting pada tablespace yang ada tidak dapat dikembangkan lagi karena telah mencapai batas maksimal. Sehingga dapat menyebabkan iterasi dalam pengisian tabel F tidak selesai yang dapat mengakibatkan berhentinya algoritma Apriori secara tidak normal. Pada akhir iterasi, C k diperiksa untuk menentukan kandidat mana yang sering muncul, menghasilkan F k. Penghitungan support berakhir ketika F k atau C k+1 kosong. Untuk menghasilkan rule digunakan tabel RC yang berisi semua kemungkinan rule dari frequentitemset dengan nilai sup > minimum support. Jika nilai minimum support yang diberikan sangat kecil menyebabkan pengisian tabel RC terdiri atas banyak operasi sorting. Hal ini menyebabkan temporary segments yang digunakan sebagai area kerja operasi sorting pada tablespace yang ada tidak dapat dikembangkan lagi karena telah mencapai batas maksimal. Sehingga dapat menyebabkan iterasi dalam pengisian tabel RC tidak selesai yang dapat mengakibatkan berhentinya algoritma Apriori secara tidak normal. Pembangkitan rule dimulai dengan cara melakukan join antara antecedent dari kandidat rule dengan frequent-itemset untuk mendapatkan support antecedent. Confidence dari rule didapatkan dengan membagi support dari rule dengan support antecedent-nya. Algoritma berakhir setelah pembangkitan rule menghasilkan rule-rule dengan nilai support > minimum support dan confidence > minimum confidence.. Kesimpulan Berdasar analisis pengukuran, metode support counting lebih baik daripada karena operasi sorting dan agregasi pada lebih sedikit dibandingkan Two Group-by sehingga lebih sedikit mengkonsumsi I/O (). Besarnya minimum support berbanding terbalik dengan banyak baris record yang diproses. Sedangkan besarnya baris record yang diproses berbanding lurus dengan konsumsi operasi I/O, akses buffer dan elapsed time. mampu dengan baik menangani data berskala menengah ke atas dengan nilai minimum support yang kecil, sedangkan penggunaan dapat mengakibatkan berhentinya Algoritma Apriori secara tidak normal. Teknik candidate frequent k-itemset (candidate generation) merupakan bottleneck dari Algoritma Apriori karena: a. banyaknya kandidat frequent-itenset yang dihasilkan sebagai input terhadap penghitungan support sangat besar. b. scan/pembacaan berulang record pada RDBMS Diperlukan konfigurasi perangkat keras yang mendukung implementasi data mining. Selain itu, pada sisi RDBMS perlu dilakukan tuning pada implementasi data mining, karena sifat data yang dimining biasanya merupakan data berukuran besar. Perlu dilakukan perbaikan terhadap teknik candidate frequent k-itemset (candidate generation) yang merupakan bottleneck algoritma Apriori. Dapat dilakukan pengembangan lanjut implementasi Association Rule, yaitu meliputi: a. dataware housing: OLAP mining b. data mining yang lain: spatial data, multimedia data, time series data dsb. Daftar Pustaka [1] Agrawal R., T. Imielinski, and A.Swami Special Issue on Learning and Discovery in Knowledge Based Databases. Database Mining : A Performance Perspective. IEEE Transactions on Knowledge and Data Engineering, [2] Agrawal R. and R. Srikant Fast Algorithms for Mining Association Rules in Large Databases. Research Report RJ 989. San Jose, CA: IBM Almaden Research Center [] Ambarwaty, Retno Sistem Pendukung Keputusan Pemasaran Jasa Telepon Dengan Segmentasi Pelanggan Psikografis. Studi Kasus di Kandatel Jakarta Barat. Bandung: Sekolah Tinggi Teknologi Telkom. Jurnal Penelitian dan Pengembangan TELEKOMUNIKASI, Juni 2, Vol. 8 No. 1

5 [4] Direct Marketing Association Managing Database Marketing Technology for Sucess. [] Date, C.J An Introduction to Database System. New York: Addison Wesley. [6] Fayyad, U., G.Piatetsky-Shapiro, and P. Smyth From data mining to knowledge discovery : An overview. In Advances in Knowledge Discovery and Data Mining. Cambridge, MASS: AAAI/MIT Press, [7] Han, Jiawei and M. Kamber. 2. Data Mining: Concepts and Techniques. Morgan Kaufmann. [8] Han, Jiawei. Towards On-line Analytical Mining : An Integration of OLAP and Data Mining. Intelligent Systems. Canada: Database Research Lab. DBMiner Technology Inc. and School of Computing Science Simon Fraser University, British Columbia. [9] Information Discovery, Inc Datamines for Dataware Houses. [1] The Parallel Computer Center Data Mining : An Introduction. Student Note. The Queen's University of Belfast. [11] Piatetsky-Shapiro, G., Fayyad, U., and P. Smyth The KDD Process for Extracting Useful Knowledge from Volumes of Data. Communications of The ACM, November 1996/Vol. 6, No. 11. ACM [12] Ramakrishnan, Raghu. 2. Database Management System. MacGraw Hill. [1] Sarawagi, S., Thomas S. and R. Agrawal Integrating association rules mining with relational database system : Alternative and implications. Research Report RJ 117 (9192 ). IBM Almaden Research Center. [14] Silberschatz, Abraham, Henry F. Korth, and S. Sudarshan Database System Concepts. The McGraw-Hill Companies, Inc. [1] Stonebraker, M. 199 The DBMS research at crossroads. Dublin: Proc. of the VLDB Conference. [16] Turban, Efrain Decision Support System and Expert System, Prentice Hall, Inc. [17] Yourdon, Edward Modern Structured Analysis. Prentice Hall, Inc.

PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI

PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database

Lebih terperinci

PENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA

PENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA PENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA Margi Cahyanti 1), Maulana Mujahidin 2), Ericks Rachmat Swedia 3) 1) Sistem Informasi Universitas Gunadarma

Lebih terperinci

PENERAPAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI PADA SIMULASI PREDIKSI HUJAN WILAYAH KOTA BANDUNG

PENERAPAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI PADA SIMULASI PREDIKSI HUJAN WILAYAH KOTA BANDUNG PENERAPAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI PADA SIMULASI PREDIKSI HUJAN WILAYAH KOTA BANDUNG Mohamad Fauzy 1, Kemas Rahmat Saleh W 2, Ibnu Asror 3 123 Fakultas Informatika Telkom University

Lebih terperinci

Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket

Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket Gunawan 1), Alex Xandra Albert Sim 2), Fandi Halim 3), M. Hawari Simanullang 4), M. Firkhan

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan

BAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan 6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan

Lebih terperinci

Lili Tanti. STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT

Lili Tanti.   STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT Lili, Penerapan Data Mining Untuk 35 PENERAPAN DATA MINING UNTUK MENENTUKAN JUMLAH MAHASISWA PADA SATU DAERAH DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Lili Tanti Email : lili@potensi-utama.ac.id STMIK

Lebih terperinci

ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN

ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN Eka Novita Sari (0911010) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.

Lebih terperinci

Aplikasi Data Mining dengan Menggunakan Teknik ARM untuk Pengolahan Informasi Rendemen Obat

Aplikasi Data Mining dengan Menggunakan Teknik ARM untuk Pengolahan Informasi Rendemen Obat Aplikasi Data Mining dengan Menggunakan Teknik ARM untuk Pengolahan Informasi Rendemen Obat Wiwin Suwarningsih Pusat Penelitian Informatika, LIPI wiwin@informatika.lipi.go.id Abstrak Rendemen obat merupakan

Lebih terperinci

APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)

APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita

Lebih terperinci

Angelina Prima Kurniati¹, -². ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

Angelina Prima Kurniati¹, -². ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2005 ANALISIS DAN IMPLEMENTASI ALGORITMA PUBLIC SEBAGAI SEBUAH CLASSIFIER POHON KEPUTUSAN YANG SCALABLE DALAM DATA MINING ANALYSIS AND IMPLEMENTATION OF PUBLIC

Lebih terperinci

Penerapan Metode Association Rule Menggunakan Algoritma Apriori pada Simulasi Prediksi Hujan Wilayah Kota Bandung

Penerapan Metode Association Rule Menggunakan Algoritma Apriori pada Simulasi Prediksi Hujan Wilayah Kota Bandung Penerapan Metode Association Rule Menggunakan Algoritma Apriori pada Simulasi Prediksi Hujan Wilayah Kota Bandung Mohamad Fauzy 1, Kemas Rahmat Saleh W 2, Ibnu Asror 3 123 Fakultas Informatika Telkom University,

Lebih terperinci

ANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN

ANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN ANALISIS DAN IMPLEMENTASI DATA MINING DENGAN CONTINUOUS ASSOCIATION RULE MINING ALGORITHM (CARMA) UNTUK REKOMENDASI MATA KULIAH PADA PERWALIAN Dwiaji Nuraryudha 1, Shaufiah 2, Hetti Hidayati 3 1,2,3 Fakultas

Lebih terperinci

PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN

PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN Supardi 1, Dian Eka Ratnawati, Wayan Firdaus Mahmudy Universitas Brawijaya Malang

Lebih terperinci

2.2 Data Mining. Universitas Sumatera Utara

2.2 Data Mining. Universitas Sumatera Utara Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record

Lebih terperinci

ANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN

ANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN ANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN Chintia Oktavia Simbolon (0911456) Mahasiswa Program Studi Teknik Informatika,

Lebih terperinci

PENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN

PENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN PENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN A M I UNTUK R U D D PENETAPAN I N POLA SERTFIKASI GURU Program Pascasarjana rusan Teknik Elektro Program Studi Telematika

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Turban mendefinisikan Decision Support System sebagai sekumpulan

BAB II TINJAUAN PUSTAKA. Turban mendefinisikan Decision Support System sebagai sekumpulan BAB II TINJAUAN PUSTAKA 2.1 Decision Support System Turban mendefinisikan Decision Support System sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para pengambilan

Lebih terperinci

PEMODELAN POLA HUBUNGAN KEMAMPUAN LULUSAN UNIVERSITAS LANCANG KUNING DENGAN KEBUTUHAN DUNIA USAHA DAN INDUSTRI

PEMODELAN POLA HUBUNGAN KEMAMPUAN LULUSAN UNIVERSITAS LANCANG KUNING DENGAN KEBUTUHAN DUNIA USAHA DAN INDUSTRI PEMODELAN POLA HUBUNGAN KEMAMPUAN LULUSAN UNIVERSITAS LANCANG KUNING DENGAN KEBUTUHAN DUNIA USAHA DAN INDUSTRI Fana Wiza Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Lancang Kuning

Lebih terperinci

RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)

RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik

Lebih terperinci

PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO

PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU DI PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO Rizky Mei Anggraeni Program Studi Teknik Informatika,

Lebih terperinci

ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA

ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA Gregorius Satia Budhi 1, Andreas Handojo, Christine Oktavina Wirawan 1,, Jurusan Teknik

Lebih terperinci

ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA

ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA ALGORITMA GENERALIZED SEQUENTIAL PATTERN UNTUK MENGGALI DATA SEKUENSIAL SIRKULASI BUKU PADA PERPUSTAKAAN UK PETRA Gregorius Satia Budhi 1, Andreas Handojo, Christine Oktavina Wirawan 1,, Jurusan Teknik

Lebih terperinci

DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION)

DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION) DATA MINING UNTUK REKOMENDASI KERJA BAGI ALUMI DENGAN ALGORITMA GARC(GAIN BASED ASSOCIATION RULE CLASSIFICTION) Steffi Budi Fauziah¹, Shaufiah², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom

Lebih terperinci

PENERAPAN ALGORITMA APRIORI DALAM PERANGKAT LUNAK DATA BASE Amroni, S.Kom, M.Kom

PENERAPAN ALGORITMA APRIORI DALAM PERANGKAT LUNAK DATA BASE Amroni, S.Kom, M.Kom PENERAPAN ALGORITMA APRIORI DALAM PERANGKAT LUNAK DATA BASE Amroni, S.Kom, M.Kom amroni69@yahoo.com Abstrak Banyak teori dan pendekatan yang dikembangkan untuk memperoleh hasil penemuan kaidah asosiasi

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Sistem Rekomendasi Sistem Rekomendasi (SR) merupakan model aplikasi dari hasil observasi terhadap keadaan dan keinginan pelanggan. Sistem Rekomendasi memanfaatkan opini seseorang

Lebih terperinci

PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna

PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi

Lebih terperinci

ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)

ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com

Lebih terperinci

APLIKASI DATA MINING UNTUK POLA PERMINTAAN DARAH DI UDD ( UNIT DONOR DARAH ) PMI KOTA SURABAYA MENGGUNAKAN METODE APRIORI

APLIKASI DATA MINING UNTUK POLA PERMINTAAN DARAH DI UDD ( UNIT DONOR DARAH ) PMI KOTA SURABAYA MENGGUNAKAN METODE APRIORI APLIKASI DATA MINING UNTUK POLA PERMINTAAN DARAH DI UDD ( UNIT DONOR DARAH ) PMI KOTA SURABAYA MENGGUNAKAN METODE APRIORI Budanis Dwi Meilani, dan Dermawan Cahyo Utomo Jurusan Teknik Informatika, Fakultas

Lebih terperinci

ANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX

ANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX ANALISA PENCARIAN FREQUENT ITEMSETS MENGGUNAKAN ALGORITMA FP-MAX Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail : tati@stts.edu ABSTRAK Association rule mining merupakan

Lebih terperinci

PENGGALIAN TOP-K CLOSED FREQUENT ITEMSETS BERBASIS ALGORITMA PEMETAAN TRANSAKSI

PENGGALIAN TOP-K CLOSED FREQUENT ITEMSETS BERBASIS ALGORITMA PEMETAAN TRANSAKSI Program Studi MMT-ITS, Surabaya 2 Agustus 28 PENGGALIAN TOP-K CLOSED FREQUENT ITEMSETS BERBASIS ALGORITMA PEMETAAN TRANSAKSI Ngurah Agus Sanjaya ER dan Arif Djunaidy Program Magister Bidang Keahlian Teknik

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan

Lebih terperinci

BAB III METODE PENELITIAN. Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang

BAB III METODE PENELITIAN. Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang BAB III METODE PENELITIAN Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang tersusun secara jelas dan sistematis guna menyelesaikan suatu permasalahan yang sedang diteliti dengan

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain

BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Saat ini, perkembangan teknologi telah memberikan pengaruh yang sangat besar di dalam kehidupan manusia. Salah satu pengaruh tersebut di bidang informasi yaitu dalam

Lebih terperinci

ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA)

ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA) ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA) Harvei Desmon Hutahaean 1, Bosker Sinaga 2, Anastasya Aritonang Rajagukguk 2 1 Program

Lebih terperinci

IMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA

IMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA Teknologi Elektro, Vol. 15, No.2, Juli - Desember 2016 27 IMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA Adie Wahyudi Oktavia Gama 1, I Ketut Gede Darma Putra 2,

Lebih terperinci

Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori.

Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori. SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Analisis asosiasi Penguasaan ICT Mahasiswa Baru dan Pencapaian Prestasi Akademik Mahasiswa dengan Algoritma Apriori. Kuswari Hernawati 1,

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA II.1 Tinjauan Perusahaan CV. Aldo Putra berlokasi di Jalan Pasar Induk Gedebage No. 89/104 Bandung, bergerak dibidang grosir pakaian jadi impor. Barang yang dijual di CV. Aldo Putra

Lebih terperinci

Journal of Informatics and Telecommunication Engineering. Analisa Algoritma Data Mining Eclat Dan Hui Miner

Journal of Informatics and Telecommunication Engineering. Analisa Algoritma Data Mining Eclat Dan Hui Miner JITE, Vol. 1(1) Juli (2017) p-issn : 2549-6247 e-issn : 2549-6255 Journal of Informatics and Telecommunication Engineering Available online http://ojs.uma.ac.id/index.php/jite Analisa Algoritma Data Mining

Lebih terperinci

ANALISIS DAN IMPLEMENTASI ALGORITMA CT-APRIORI UNTUK ASOSIASI TRANSAKSI BARANG

ANALISIS DAN IMPLEMENTASI ALGORITMA CT-APRIORI UNTUK ASOSIASI TRANSAKSI BARANG ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.3 December 2016 Page 5304 ANALISIS DAN IMPLEMENTASI ALGORITMA CT-APRIORI UNTUK ASOSIASI TRANSAKSI BARANG Abstrak ANALYSIS AND IMPLEMENTATION OF

Lebih terperinci

Student Clustering Based on Academic Using K-Means Algoritms

Student Clustering Based on Academic Using K-Means Algoritms Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com

Lebih terperinci

IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan)

IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) Sri Rahayu Siregar ( 0911882) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma

Lebih terperinci

PENGGUNAAN ALGORITHMA APRIORI DALAM MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH MATA KULIAH ( STUDI KASUS : FKIP UPI YPTK )

PENGGUNAAN ALGORITHMA APRIORI DALAM MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH MATA KULIAH ( STUDI KASUS : FKIP UPI YPTK ) PENGGUNAAN ALGORITHMA APRIORI DALAM MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH MATA KULIAH ( STUDI KASUS : FKIP UPI YPTK ) SARJON DEFIT Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK E-mail :

Lebih terperinci

1 st Seminar on Application and Research in Industrial Technology, SMART Yogyakarta, 27 April 2006

1 st Seminar on Application and Research in Industrial Technology, SMART Yogyakarta, 27 April 2006 Metode Market Basket Analysis menggunakan Algoritma Pincer Search untuk Sistem Pembantu Pengambilan Keputusan Gregorius S. Budhi, Leo W. Santoso, Edward Susanto Jurusan Teknik Informatika, Fakultas Teknologi

Lebih terperinci

IMPLEMENTASI DATA WAREHOUSE DAN DATA MINING: STUDI KASUS ANALISIS PEMINATAN STUDI SISWA

IMPLEMENTASI DATA WAREHOUSE DAN DATA MINING: STUDI KASUS ANALISIS PEMINATAN STUDI SISWA IMPLEMENTASI DATA WAREHOUSE DAN DATA MINING: STUDI KASUS ANALISIS PEMINATAN STUDI SISWA Eka Miranda Fakultas Ilmu Komputer, Jurusan Sistem Infromasi, Universitas Bina Nusantara Jln. KH Syahdan No.9, Palmerah,

Lebih terperinci

Decision Support on Supply Chain Management System Using Apriori Data Mining Algorithm

Decision Support on Supply Chain Management System Using Apriori Data Mining Algorithm Decision Support on Supply Chain Management System Using Apriori Data Mining Algorithm Eka Widya Sari, Ahmad Rianto, Siska Diatinari Andarawarih College Of Informatics And Computer Engineering Indonesia

Lebih terperinci

ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE

ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE Dewi Sibagariang 1), Karina Auliasari 2) 1.2) Jurusan Teknik Informatika, Institut Teknologi Nasional Malang Jalan

Lebih terperinci

Implementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang)

Implementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang) Implementasi data mining menggunakan metode apriori (studi kasus transaksi penjualan barang) Maya Suhayati,M.Kom. Jurusan Teknik Informatika, STMIK Sumedang mayasuh@stmik-sumedang.ac.id ABSTRAK Dalam suatu

Lebih terperinci

DAFTAR REFERENSI. xiii. Computer Science Education, San Jose, United States, 1997.

DAFTAR REFERENSI. xiii. Computer Science Education, San Jose, United States, 1997. DAFTAR REFERENSI [AGR95] [AHW03] [CAR06] [GKK01] [HAN01] [JAC97] [PEI01] [RSL95] Agrawal, Rakesh, Ramakrishnan Srikant. 1995. Mining Sequential Patterns. IBM Research Center. Agrawal, C, Han, Jiawei, Wang,

Lebih terperinci

PEMBUATAN PERANGKAT LUNAK DATA MINING UNTUK PENGGALIAN KAIDAH ASOSIASI MENGGUNAKAN METODE APRIORI

PEMBUATAN PERANGKAT LUNAK DATA MINING UNTUK PENGGALIAN KAIDAH ASOSIASI MENGGUNAKAN METODE APRIORI PEMBUATAN PERANGKAT LUNAK DATA MINING UNTUK PENGGALIAN KAIDAH ASOSIASI MENGGUNAKAN. (Leo Willyanto S.) PEMBUATAN PERANGKAT LUNAK DATA MINING UNTUK PENGGALIAN KAIDAH ASOSIASI MENGGUNAKAN METODE APRIORI

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data mining bertujuan untuk menemukan pola-pola yang valid, baru, mempunyai nilai guna, dan mudah dipahami dari data yang ada. Jenis pola yang dihasilkan ditentukan

Lebih terperinci

ANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI

ANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI ANALISA PENERAPAN DATAMINING PADA PENJUALAN PRODUK OLI MESIN SEPEDA MOTOR DENGAN ALGORITMA APRIORI Siti Sundari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Medan Jalan Hm. Joni No 70

Lebih terperinci

II. TINJAUAN PUSTAKA

II. TINJAUAN PUSTAKA II. TINJAUAN PUSTAKA 2.1 Sistem Informasi Manajemen Mcleod R dan Schell G, (2004) membagi sumber daya menjadi dua bagian yaitu sumberdaya fisikal dan sumberdaya konseptual. Sumber daya fisikal terdiri

Lebih terperinci

PREDIKSI KEBUTUHAN PENOMORAN PADA JARINGAN TELEKOMUNIKASI MENGGUNAKAN METODE APRIORI

PREDIKSI KEBUTUHAN PENOMORAN PADA JARINGAN TELEKOMUNIKASI MENGGUNAKAN METODE APRIORI Prediksi Kebutuhan Penomoran Pada Jaringan Telekomunikasi. (Muztafid Khilmi) PREDIKSI KEBUTUHAN PENOMORAN PADA JARINGAN TELEKOMUNIKASI MENGGUNAKAN METODE APRIORI Mustafid Khilmi 1) Achmad Affandi 2) 1)

Lebih terperinci

DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI

DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki

Lebih terperinci

REKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE

REKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE REKOMENDASI SOLUSI PADA COMPUTER MAINTENANCE MANAGEMENT SYSTEM MENGGUNAKAN ASSOCIATION RULE, KOEFISEN KORELASI PHI DAN CHI-SQUARE Farid Sukmana 1) dan Joko Lianto Buliali 2) 1) Management of Information

Lebih terperinci

SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA

SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami

Lebih terperinci

Timor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak

Timor Setiyaningsih, Nur Syamsiah Teknik Informatika Universitas Darma Persada. Abstrak DATA MINING MELIHAT POLA HUBUNGAN NILAI TES MASUK MAHASISWA TERHADAP DATA KELULUSAN MAHASISWA UNTUK MEMBANTU PERGURUAN TINGGI DALAM MENGAMBIL KEBIJAKAN DALAM RANGKA PENINGKATAN MUTU PERGURUAN TINGGI Timor

Lebih terperinci

ANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.

ANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT. ANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.X) ANALYSIS AND IMPLEMENTATION OF FP-GROWTH ALGORITHM IN SMART

Lebih terperinci

BAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun.

BAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. BAB 2 LANDASAN TEORI Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. 2.1. Data Mining Data mining adalah suatu istilah yang digunakan

Lebih terperinci

ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER

ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER F.X. Arunanto, Syaiful Isman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember

Lebih terperinci

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENERAPAN IMPROVED APRIORI PADA APLIKASI DATA MINING DI PERUSAHAAN KALVIN SOCKS PRODUCTION

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENERAPAN IMPROVED APRIORI PADA APLIKASI DATA MINING DI PERUSAHAAN KALVIN SOCKS PRODUCTION Vol. 5, No., Maret 26, ISSN : 289-9 5 PENERAPAN IMPROVED APRIORI PADA APLIKASI DATA MINING DI PERUSAHAAN KALVIN SOCKS PRODUCTION Yepi Septiana, Dian Dharmayanti2 Teknik Informatika - Universitas Komputer

Lebih terperinci

PEMBANGKITAN KAIDAH ASOSIASI DARI TOP-K FREQUENT CLOSED ITEMSET YANG DIDASARKAN PADA STRUKTUR DATA BERBASIS LATTICE

PEMBANGKITAN KAIDAH ASOSIASI DARI TOP-K FREQUENT CLOSED ITEMSET YANG DIDASARKAN PADA STRUKTUR DATA BERBASIS LATTICE PEMBANGKITAN KAIDAH ASOSIASI DARI TOP-K FREQUENT CLOSED ITEMSET YANG DIDASARKAN PADA STRUKTUR DATA BERBASIS LATTICE Dian Puspita Hapsari dan Arif Djunaidy Fakultas Teknologi Informasi, Institut Teknologi

Lebih terperinci

Journal of Informatics and Technology, Vol 2, No 2, Tahun 2013, p

Journal of Informatics and Technology, Vol 2, No 2, Tahun 2013, p Journal of Informatics and Technology, Vol 2, No 2, Tahun 2013, p 22-28 http://ejournal-s1.undip.ac.id/index.php/joint APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA

Lebih terperinci

Cross-Selling: Perangkat Utama Customer Relationship Managem. Meningkatkan Loyalitas Pelanggan

Cross-Selling: Perangkat Utama Customer Relationship Managem. Meningkatkan Loyalitas Pelanggan Cross-Selling: Perangkat Utama Customer Relationship Management (CRM) Untuk Meningkatkan Loyalitas Pelanggan Seminar Kenaikan Jabatan at Department of Information Systems, Faculty of Computer Science,

Lebih terperinci

IMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG (STUDI KASUS DI CHORUS MINIMARKET)

IMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG (STUDI KASUS DI CHORUS MINIMARKET) Implementasi Data Mining Menggunakan Metode Apriori Pada Transaksi Penjualan Barang (Studi Kasus Di Chorus Minimarket) IMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG

Lebih terperinci

Pembuatan Perangkat Lunak Data Mining Untuk Penggalian Kaidah Asosiasi Menggunakan Metode Apriori

Pembuatan Perangkat Lunak Data Mining Untuk Penggalian Kaidah Asosiasi Menggunakan Metode Apriori Pembuatan Perangkat Lunak Data Mining Untuk Penggalian Kaidah Asosiasi Menggunakan Metode Apriori Leo Willyanto Santoso Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra

Lebih terperinci

Jurnal Teknologi Informasi & Komunikasi Digital Zone, Volume 7, Nomor 1, Februari 2016: ISSN:

Jurnal Teknologi Informasi & Komunikasi Digital Zone, Volume 7, Nomor 1, Februari 2016: ISSN: 44 PENGGUNAAN ALGORITHMA APRIORI DATA MINING UNTUK MENGETAHUI TINGKATKESETIAAN KONSUMEN (BRAND LOYALITY) TERHADAP MEREK KENDERAAN BERMOTOR (STUDI KASUS DEALER HONDA RUMBAI) Wirdah choiriah ( Program Studi

Lebih terperinci

Kata kunci: Sistem Informasi, poin of sale, aplikasi data mining, algoritma apriori, Borland Delphi, SQL 2000, Association rules.

Kata kunci: Sistem Informasi, poin of sale, aplikasi data mining, algoritma apriori, Borland Delphi, SQL 2000, Association rules. PERANCANGAN DAN PEMBUATAN APLIKASI DATA MINING DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA MINI MARKET X Norio Nurtanio / 0422115 Jurusan Teknik Elektro, Fakultas Teknik, Jalan Prof. Drg. Suria Sumantri

Lebih terperinci

IMPLEMENTASI ALGORITMA APRIORI UNTUK MENGANALISA POLA PEMBELIAN PRODUK PADA DATA TRANSAKSI PENJUALAN

IMPLEMENTASI ALGORITMA APRIORI UNTUK MENGANALISA POLA PEMBELIAN PRODUK PADA DATA TRANSAKSI PENJUALAN IMPLEMENTASI ALGORITMA APRIORI UNTUK MENGANALISA POLA PEMBELIAN PRODUK PADA DATA TRANSAKSI PENJUALAN 1 Wendi Wirasta, 2 Zaki Prasasti 1 Program Studi Teknik Informatika, STMIK LPKIA Bandung 2 Program Studi

Lebih terperinci

BAB I PENDAHULUAN. Data mining memungkinkan penemuan pola-pola yang menarik, informasi yang

BAB I PENDAHULUAN. Data mining memungkinkan penemuan pola-pola yang menarik, informasi yang 1 BAB I PENDAHULUAN Bab pendahuluan ini membahas tentang latar belakang masalah yaitu fenomena perkembangan data yang terus bertambah tetapi informasi yang dihasilkan monoton, sehingga diperlukan data

Lebih terperinci

Pola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth

Pola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth Pola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth Fitrah Rumaisa, S.T., M.Kom Prodi Teknik Informatika, Fakultas Teknik, Universitas Widyatama E-Mail: fitrah.rumaisa@widyatama.ac.id

Lebih terperinci

SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA)

SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA) SISTEM REKOMENDASI PEMESANAN SPAREPART DENGAN ALGORITMA FP-GROWTH (STUDI KASUS PT. ROSALIA SURAKARTA) Nur Rohman Ardani 1), Nur Fitrina 2) 1) Magister Teknik Informatika STMIK AMIKOM Yogyakarta 2) Teknik

Lebih terperinci

Link Analysis (Superset) 3 Kategori Link Analysis (#1) 3 Kategori Link Analysis (#2) Association Rule Mining. 3 Kategori Link Analysis (#3)

Link Analysis (Superset) 3 Kategori Link Analysis (#1) 3 Kategori Link Analysis (#2) Association Rule Mining. 3 Kategori Link Analysis (#3) Knowledge Discovery in Databases (IS704) dan Data Mining (CS704) Kuliah #7: Association Rules Mining (Bagian 1) Gunawan Jurusan Teknik Informatika Link Analysis (Superset) Tujuan: Mencari hubungan antara

Lebih terperinci

IMPLEMENTASI ALGORITMA-ALGORITMA ASSOCIATION RULES SEBAGAI BAGIAN DARI PENGEMBANGAN DATA MINING ALGORITHMS COLLECTION

IMPLEMENTASI ALGORITMA-ALGORITMA ASSOCIATION RULES SEBAGAI BAGIAN DARI PENGEMBANGAN DATA MINING ALGORITHMS COLLECTION IMPLEMENTASI ALGORITMA-ALGORITMA ASSOCIATION RULES SEBAGAI BAGIAN DARI PENGEMBANGAN DATA MINING ALGORITHMS COLLECTION Yova Ruldeviyani 1), Muhammad Fahrian 2) Fakultas Ilmu Komputer - Universitas Indonesia

Lebih terperinci

Association Rule Mining Data Peminjaman Perpustakaan Menggunakan Apriori dan Jaccard Similarity

Association Rule Mining Data Peminjaman Perpustakaan Menggunakan Apriori dan Jaccard Similarity Association Rule Mining Data Peminjaman Perpustakaan Menggunakan Apriori dan Jaccard Similarity Muhammad Hezby Al Haq Program Studi Informatika Universitas Sebelas Maret Jl. Ir. Sutami No. 36 A, Surakarta

Lebih terperinci

Mahasiswa mampu menjelaskan fungsi data management, business process management dalam suatu perancangan SIM suatu organisasi.

Mahasiswa mampu menjelaskan fungsi data management, business process management dalam suatu perancangan SIM suatu organisasi. Dibuat oleh: Yudi Priyadi (Prodi Manajemen Bisnis Telekomunikasi & Informatika) CP-MK: 1. Mahasiswa mampu melakukan analisis penerapan data management pada suatu organisasi/industri, melalui pembuatan

Lebih terperinci

Aplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis

Aplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis Aplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis ANDREAS HANDOJO, GREGORIUS SATIA BUDHI, HENDRA RUSLY Jurusan Teknik Informatika Universitas

Lebih terperinci

PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA

PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA PENCARIAN ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORI SEBAGAI BAHAN REKOMENDASI STRATEGI PEMASARAN PADA TOKO ACIICA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Lebih terperinci

Implementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo

Implementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified-Apriori Untuk Menentukan

Lebih terperinci

BAB II TINJAUAN PUSTAKA. mewakilkan objek dan peristiwa yang memiliki arti dan sangat penting bagi

BAB II TINJAUAN PUSTAKA. mewakilkan objek dan peristiwa yang memiliki arti dan sangat penting bagi BAB II TINJAUAN PUSTAKA 2.1. Pengertian Data Data belum dapat dika/takan mempunyai makna penting atau informasi bagi penerima sebelum dilakukan pengolahan data. Data adalah fakta yang dapat dicatat dan

Lebih terperinci

Penerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy

Penerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy Penerapan Data Mining Association Rule Menggunakan Algoritma Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi Pemasaran Produk Speedy (Studi Kasus di PT. Telkom Cabang Wonogiri ) Moch. Yusuf

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Berbagai penemuan terbaru di dalam pengumpulan dan penyimpanan data telah memungkinkan berbagai organisasi untuk mengumpulkan berbagai data (data pembelian, data nasabah,

Lebih terperinci

ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE

ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE Diki Arisandi 1, Nofriandi 2 Jurusan Teknik Informatika, FakultTeknik,Universitas Abdurrab

Lebih terperinci

- PERTEMUAN 1 - KNOWLEGDE DISCOVERY

- PERTEMUAN 1 - KNOWLEGDE DISCOVERY DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database

Lebih terperinci

BAB II TINJAUAN PUSTAKA 2.1 DASAR TEORI Business Analytic

BAB II TINJAUAN PUSTAKA 2.1 DASAR TEORI Business Analytic digilib.uns.ac.id BAB II TINJAUAN PUSTAKA 2.1 DASAR TEORI 2.1.1 Business Analytic 2.1.1.1 Pengertian Business Analytic (BA) Business Analytic adalah aplikasi dan teknik untuk mengumpulkan, menyimpan, menganalisis

Lebih terperinci

DATA MINING UNTUK ANALISA PENJUALAN KERIPIK UD MARTOP PRATAMA MENGGUNAKAN ALGORITMA APRIORI

DATA MINING UNTUK ANALISA PENJUALAN KERIPIK UD MARTOP PRATAMA MENGGUNAKAN ALGORITMA APRIORI DATA MINING UNTUK ANALISA PENJUALAN KERIPIK UD MARTOP PRATAMA MENGGUNAKAN ALGORITMA APRIORI SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi

Lebih terperinci

PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT

PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan Jl. H. M. Jhoni No.

Lebih terperinci

PENERAPAN METODE ASSOCIATION RULE MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU

PENERAPAN METODE ASSOCIATION RULE MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU PENERAPAN METODE ASSOCIATION RULE MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA PEMINJAMAN BUKU TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas

Lebih terperinci

FREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE

FREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE FREQUENT ITEMSET MINING MENGGUNAKAN ALGORITMA PIE Suhatati Tjandra Dosen Teknik Informatika Sekolah Tinggi Teknik Surabaya e-mail: tati@stts.edu ABSTRAK Frequent itemset mining adalah algoritma yang digunakan

Lebih terperinci

DATA MINING INFORMASI TINGKAT KELULUSAN MAHASISWA STMIK PELITA NUSANTARA MEDAN. Anita Sindar RM Sinaga

DATA MINING INFORMASI TINGKAT KELULUSAN MAHASISWA STMIK PELITA NUSANTARA MEDAN. Anita Sindar RM Sinaga DATA MINING INFORMASI TINGKAT KELULUSAN MAHASISWA STMIK PELITA NUSANTARA MEDAN Anita Sindar RM Sinaga Program Studi Teknik Informatika STIMIK Pelita Nusantara, Jl. Iskandar Muda No. 1 Medan, Indonesia

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Pengertian Data, Informasi dan Knowledge Data merupakan fakta yang dikumpulkan, disimpan, dan diproses boleh sebuah sistem informasi. Selain deskripsi dari sebuah fakta, data

Lebih terperinci

ALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Tri Khairul I.A 1 ABSTRAK

ALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Tri Khairul I.A 1 ABSTRAK ALGORITMA ATURAN ASOSIASI APRIORI-TID DENGAN METODE KLASTERISASI HIERARKI AGLOMERATIF. Pendahuluan Tri Khairul I.A. Jurusan Matematika FMIPA Universitas Hasanuddin Makassar 905 e-mail: narutolik@linuxmail.org

Lebih terperinci

Kata kunci: graph, graph database, GIndex, subgraph query, size-increasing support constraint, discriminative fragments, index, subgraph matching

Kata kunci: graph, graph database, GIndex, subgraph query, size-increasing support constraint, discriminative fragments, index, subgraph matching Analisis dan Implementasi Graph Indexing Pada Graph Database Menggunakan Algoritma GIndex Analysis and Implementation of Graph Indexing for Graph Database Using GIndex Algorithm Hadyan Arif 1, Kemas Rahmat

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Perpustakaan merupakan tempat dimana seseorang mendapatkan pengetahuan, informasi atau hiburan dengan jumlah kategori yang bervarian seperti ilmiah, non fiksi, komedi,

Lebih terperinci

Royes Otpin S¹, Arie Ardiyanti Suryani², Warih Maharani³. ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

Royes Otpin S¹, Arie Ardiyanti Suryani², Warih Maharani³. ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom ANALISIS DAN IMPLEMENTASI ASSOCIATION RULE MINING PADA COLLABORATION RECOMMENDER SYSTEM MENGGUNAKAN ALGORITMA ASSOCIATION RULES FOR RECOMMENDER SYSTEM (AR-CRS) Royes Otpin S¹, Arie Ardiyanti Suryani²,

Lebih terperinci

DATA & INFORMASI. Defri Kurniawan

DATA & INFORMASI. Defri Kurniawan DATA & INFORMASI Defri Kurniawan defri.kurniawan@dsn.dinus.ac.id RENCANA KEGIATAN PERKULIAHAN SEMESTER W Pokok Bahasan 1 Pengenalan Teknologi Informasi 2 Konsep Sistem Komputer & Pengenalan Perangkat Keras

Lebih terperinci

IDENTIFIKASI POLA PENYAKIT ANAK DIBAWAH 5 TAHUN (BALITA) DENGAN MENGGUNAKAN ALGORITMA APRIORI

IDENTIFIKASI POLA PENYAKIT ANAK DIBAWAH 5 TAHUN (BALITA) DENGAN MENGGUNAKAN ALGORITMA APRIORI IDENTIFIKASI POLA PENYAKIT ANAK DIBAWAH 5 TAHUN (BALITA) DENGAN MENGGUNAKAN ALGORITMA APRIORI Ismul Zamroni 1), Indah Werdiningsih 2), Purbandini 3) 1,2,3) Program Studi S1 Sistem Informasi, Fakultas Sains

Lebih terperinci